用于头部计算机断层扫描通用疾病检测的 3D 基础模型

头部计算机断层扫描（CT）是广泛使用的影像模态，尤其在评估脑、颅骨和脑血管系统的病理情况时应用广泛。鉴于其快速获取图像、安全、成本低且普及率高，CT 是神经科学急诊的首选影像。深度学习模型可能有助于检测各种疾病。然而，稀缺的高质量标签和标注，特别是针对较少见疾病的情况，显著阻碍了强大模型的开发。为此，我们引入 FM-CT：一个用于头部 CT 通用疾病检测的基础模型，通过自监督学习训练。我们的 метод首先在 361,663 例非对比 3D 头部 CT 扫描上进行预训练，无需手动标注，使模型能够学习到稳健、可泛化的特征。为探讨自监督学习在头部 CT 中的潜力，我们采用了自蒸馊判别和掩码图像建模两种技术，构建的模型采用 3D 而非切片级别（2D）以更全面、更高效地利用头部 CT 扫描的结构。评估模型的下游分类性能使用内部数据和三个外部数据集进行，涵盖 ID 和 OOD 数据。我们的结果表明，自监督基础模型在稀缺标注数据集上，显著优于从头训练的模型和以前的 3D CT 基础模型。本 work 凸显了自监督学习在医学影像中的有效性，为 3D 头部 CT 图像分析树立了新基准，使人工智能更广泛地用于头部 CT 诊断。